PageRank Temporal
PageRank Temporal estende o algoritmo PageRank clássico para redes que evoluem no tempo, incorporando a atualidade e a ordenação das interações. As arestas são ponderadas por uma função de decaimento, de modo que contatos recentes contribuem mais para a pontuação de um nó do que os antigos. O resultado é um ranking dinâmico de importância que captura quem é influente no momento, em vez de ao longo de todo o histórico da rede.
Leia o método completo
Entre com uma conta gratuita para ler esta seção.
Method map
The neighbourhood of related methods — select a node to explore.
Fontes
- Rozenshtein, P. & Gionis, A. (2016). Temporal PageRank. In Proceedings of the European Conference on Machine Learning and Principles and Practice of Knowledge Discovery in Databases (ECML PKDD), Part II, LNCS 9852, pp. 674–689. Springer. DOI: 10.1007/978-3-319-46227-1_42 ↗
- Lerman, K. & Ghosh, R. (2010). Information Contagion: An Empirical Study of the Spread of News on Digg and Twitter Social Networks. In Proceedings of the Fourth International AAAI Conference on Weblogs and Social Media (ICWSM), pp. 90–97. AAAI Press. link ↗
Como citar esta página
ScholarGate. (2026, June 3). Temporal PageRank (Time-Aware Node Importance Ranking in Temporal Networks). ScholarGate. https://scholargate.app/pt/network-analysis/temporal-pagerank
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- PageRank DirecionadoAnálise de redes↔ compare
- Análise de Difusão em RedesAnálise de redes↔ compare
- Centralidade de Intermediação TemporalAnálise de redes↔ compare
- Detecção de Comunidades TemporaisAnálise de redes↔ compare
- Centralidade do Autovetor TemporalAnálise de redes↔ compare
- Análise Temporal de Redes SociaisAnálise de redes↔ compare
Referenciado por
Encontrou um problema nesta página? Relate ou sugira uma correção →